内容简介

机器学习虽然对改进产品性能和推进研究有很大的潜力，但无法对它们的预测转化解释，这是当前面临的一大障碍。

本书探索了可解释性的概念，介绍了简单的，可解释的模型，例如决策树，决策规则和线性回归，重点介绍了黑匣子模型的，与模型无关的方法，如特征特征和累积局部效应，以及用Shapley值和LIME解释单独实例预测。本书对所有的解释方法进行了深入的说明和批判性讨论，例如它们如何在黑盒下工作，它们的优缺点是书的重点是介绍表格式数据的机器学习模型，从而涉及计算机视觉和自然语言处理任务。

从业者，数据科学家，统计家和所有对使机器学习模型具有可解释性研究的人阅读。